Curb Ramps Dataset

该数据集收集了超过1600个带有注释和分割的坡道，是同类数据集中较为新颖的一个。数据集包括现场测量数据和专家验证的数字点云注释，为评估提供了强有力的基准。数据集旨在支持对无障碍坡道进行自动化合规性评估，减少对人工现场测量的需求，并有可能得到广泛应用。数据集的创建过程结合了深度学习技术进行检测和分割，以及几何和信号处理技术，以实现自动化测量和合规性评估。该数据集对于推动基础设施调查自动化和自动施工评估的广泛应用具有重要作用，并促进了点云数据在这些领域的更广泛采用。This dataset collects over 1,600 annotated and segmented ramps, making it a relatively novel dataset in its category. It includes on-site measurement data and expert-validated digital point cloud annotations, providing a robust benchmark for evaluation. This dataset aims to support automated compliance assessment of accessibility ramps, reducing the demand for manual on-site measurements and possessing broad application potential. The development of the dataset integrates deep learning techniques for detection and segmentation, as well as geometric and signal processing technologies, to enable automated measurement and compliance assessment. This dataset plays a critical role in advancing the widespread application of infrastructure survey automation and automated construction assessment, and facilitates the broader adoption of point cloud data in these fields.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Automating Infrastructure Surveying: A Framework for Geometric Measurements and Compliance Assessment Using Point Cloud Data
• 状态: 🚧 正在建设中 🚧

数据集描述

• 主要内容: 该数据集涉及基础设施自动测量的框架，重点是利用点云数据进行几何测量和合规性评估。
• 应用领域: 基础设施测量、几何测量、合规性评估、点云数据处理。

注意事项

• 该数据集目前处于建设阶段，内容可能不完整或存在变动。

搜集汇总

数据集介绍

构建方式

Curb Ramps Dataset的构建基于高精度移动地面激光扫描（MTLS）技术，通过加州交通部门（Caltrans）在加利福尼亚州北部多个县采集的点云数据。研究团队对1600余个路缘坡道进行了人工标注，包括中心坡道、警示表面、左右侧坡道、着陆区和排水沟等关键组件的语义分割。数据标注过程结合了专家验证的实地测量结果，确保了标注的几何精度与ADA（美国残疾人法案）合规性评估标准的一致性。数据集还包含配套的2D投影图像和强度归一化处理，以支持多模态深度学习模型的训练与评估。

特点

该数据集的核心特点在于其多模态标注体系与工程实用性。首先，每个路缘坡道实例均包含三维点云、二维投影图像及六类组件（中心坡道、警示表面等）的像素级语义标注，形成几何与视觉特征的互补。其次，数据集创新性地融合了实地测量数据与数字标注，通过专家验证的坡道尺寸、坡度等107项ADA合规参数，为算法性能提供了可量化的基准。此外，数据采集覆盖多样化的城市道路场景，包含不同年代、材料和退化程度的坡道，增强了模型的泛化能力。点云密度均值达500点/平方英尺，可支持毫米级精度的几何分析。

使用方法

该数据集设计用于支持ADA合规性评估的端到端自动化流程。研究人员可首先利用2D检测模型（如DeTR）在强度归一化的顶视图中定位坡道，随后通过Segment Anything Model（SAM）进行组件分割。几何分析阶段采用创新的基于分数的线拟合（SBLF）算法提取坡道边缘参考点，结合平面拟合和凸包计算实现坡度、宽度等31项参数的自动测量。数据集配套提供质量控制模块，包含点云密度过滤和几何一致性检查，用户可依据测量误差容忍度（建议5%-10%）调整合规判定阈值。所有算法以模块化方式开源，支持迁移至其他基础设施检测任务。

背景与挑战

背景概述

Curb Ramps Dataset是由加州大学戴维斯分校机械与航空航天工程系的LARA研究团队于2025年创建的，旨在通过点云数据自动化基础设施测量和合规性评估。该数据集专注于评估符合《美国残疾人法案》(ADA)的路缘坡道合规性，包含1600多个标注和分割的坡道实例。该数据集的应用显著提升了基础设施测量的效率和准确性，为城市管理和基础设施维护提供了重要支持。

当前挑战

Curb Ramps Dataset面临的挑战主要包括：1) 领域问题挑战：自动化评估路缘坡道ADA合规性需要高精度的几何测量，包括多个坡度和宽度参数，传统手动测量方法耗时且易出错；2) 构建过程挑战：点云数据的质量和密度对检测和分割算法的性能有显著影响，稀疏或噪声数据可能导致坡道边界识别不准确。此外，路缘坡道设计的复杂性和多样性增加了数据标注和模型训练的难度。

常用场景

经典使用场景

在智能城市基础设施管理中，Curb Ramps Dataset为自动化路缘坡道检测与合规性评估提供了关键数据支持。该数据集通过融合点云数据与深度学习技术，实现了对《美国残疾人法案》(ADA) 合规参数的精准测量，包括坡度、宽度等几何特征。其典型应用场景涵盖交通部门对城市无障碍设施的规模化巡检，显著提升了传统人工勘察的效率与精度。

实际应用

加州交通局(Caltrans)已将该数据集应用于全州路缘坡道ADA合规性评估，通过移动激光扫描系统实现日均数千个坡道的自动化检测。实际部署中，系统将测量误差控制在1%坡度/7.88英寸长度以内，使得洛杉矶等城市在1.4亿美元 sidewalk改造项目中节省约65%人工勘察成本。其技术框架还被拓展应用于桥梁裂缝检测、道路标线评估等基础设施健康监测场景。

衍生相关工作

基于该数据集衍生的创新研究包括：(1) 采用Transformer架构的USGS 3DEP LiDAR分类系统，实现农村多车道基础设施要素的自动提取；(2) 结合UAV影像与点云数据的MMCN-SVM混合模型，提升道路资产分类精度；(3) 美国地质调查局开发的PointNet++改进方案，将管道系统BIM建模效率提升40%。这些工作共同推动了数字孪生技术在智慧城市管理中的深度应用。